Le véritable problème des agents IA se trouve dans vos données

Les systèmes d’IA fournissent des réponses erronées en toute confiance, car les données évoluent

La plupart des entreprises démarrent un projet d’IA de la même manière. Elles passent des semaines, voire des mois, à tester des invites, à sélectionner un modèle, à valider les réponses et à obtenir l’accord des parties prenantes. Tout fonctionne. Le système est mis en service. Puis, plusieurs mois plus tard, les utilisateurs commencent à signaler des réponses erronées. On en conclut immédiatement que le modèle a subi un dysfonctionnement.

Dans de nombreux cas, il ne s’est rien passé au niveau du modèle.

L’activité a évolué. Les prix ont changé. Les politiques ont été mises à jour. Les spécifications des produits ont évolué. De nouvelles réglementations ont été mises en place. Pendant ce temps, les données sur lesquelles repose l’IA sont restées exactement les mêmes. Le modèle a simplement continué à utiliser des informations qui étaient autrefois correctes, mais qui ne reflètent plus la réalité.

Il s’agit là d’une distinction importante. Les grands modèles linguistiques ne déterminent pas si les informations sont à jour. Ils génèrent des réponses à partir des informations qu’ils reçoivent. Si les informations récupérées semblent complètes et fiables, le modèle répondra avec assurance, même si ces informations sont obsolètes.

Cela déplace le débat des performances de l’IA vers les opérations commerciales. Chaque entreprise gère déjà des informations qui évoluent en permanence. L’IA ne fait qu’accroître le coût d’une mauvaise gestion de ces changements, car des informations erronées sont diffusées instantanément et à grande échelle.

Pour les dirigeants, cela signifie que l’IA ne doit pas être considérée comme un déploiement ponctuel. Elle doit être traitée comme une capacité opérationnelle évolutive. Tout comme les systèmes financiers nécessitent un rapprochement continu et que la cybersécurité exige une surveillance permanente, l’IA nécessite une gestion continue des connaissances sous-jacentes dont elle dépend.

Les entreprises qui développent les systèmes d’IA les plus fiables ne disposeront pas nécessairement des modèles les plus avancés. Elles disposeront en revanche des processus les plus efficaces pour garantir l’exactitude, l’actualité et la fiabilité de leurs données d’entreprise.

Cela a également des implications importantes en matière de gouvernance. La précision de l’IA n’est pas seulement un indicateur informatique. Elle influe directement sur la confiance des clients, la conformité réglementaire, l’efficacité opérationnelle et la prise de décision au niveau de la direction. Une seule politique ou un seul document tarifaire obsolète peut influencer des milliers d’interactions avant que quiconque ne s’en aperçoive. Pour éviter une telle situation, la discipline en matière de données est bien plus déterminante que la sophistication des modèles.

La plupart des systèmes de récupération et des pipelines de données vérifient si les systèmes fonctionnent

C’est là que de nombreuses organisations ont un angle mort.

Les systèmes d’IA modernes extraient des informations à partir de bases de données vectorielles, de référentiels de documents, d’API ou d’index de recherche. Ces technologies sont très efficaces pour trouver des informations pertinentes. Elles ne sont toutefois pas conçues pour déterminer si ces informations sont toujours exactes.

Ce sont là deux problèmes distincts.

Un moteur de recherche peut localiser correctement un document tarifaire créé il y a six mois. Techniquement, il a rempli sa mission. Le problème est que l’entreprise a procédé à trois mises à jour tarifaires depuis lors. Le système de recherche n’est pas programmé pour reconnaître que ce document est obsolète. Il se contente de renvoyer le résultat le plus pertinent.

Les pipelines de données traditionnels fonctionnent de manière similaire.

La plupart des activités de surveillance portent sur la santé opérationnelle. Le pipeline de données s’est-il déroulé sans encombre ? Tous les processus ont-ils été menés à bien ? Y a-t-il eu des erreurs système ?

Ce sont là des questions pertinentes, mais elles ne sont pas exhaustives. Un pipeline peut s’exécuter sans encombre tout en acheminant des données erronées, incomplètes ou obsolètes vers tous les systèmes en aval. D’un point de vue opérationnel, tout semble fonctionner correctement. D’un point de vue métier, chaque décision fondée sur ces données perd en fiabilité.

La fiabilité du système ne doit plus se limiter au fait que l’infrastructure reste opérationnelle. Elle doit également garantir que les informations fournies restent exactes, complètes et à jour. Ces éléments deviennent alors des résultats commerciaux mesurables, plutôt que de simples indicateurs techniques.

À mesure que l’intelligence artificielle se généralise dans les domaines du service client, de la gestion interne des connaissances, du développement logiciel et du reporting de direction, cette évolution revêt une importance croissante. Les entreprises qui continuent à se contenter de mesurer l’état de l’infrastructure ne découvriront les problèmes qu’une fois que les clients ou les collaborateurs auront perdu confiance dans le système. En revanche, celles qui évaluent la qualité des données parallèlement aux performances opérationnelles identifieront ces problèmes bien plus tôt, souvent avant même qu’ils n’aient un impact sur l’activité.

Les entreprises s’attaquent souvent au mauvais problème en modifiant les modèles d’IA au lieu de consolider les fondements de l’ingénierie des données

Lorsqu’un système d’IA commence à produire des réponses erronées, la première réaction est généralement prévisible. Les équipes modifient les consignes, évaluent un nouveau modèle linguistique de grande envergure ou acquièrent une autre solution de recherche d’informations. Ces mesures peuvent améliorer les performances dans certains cas précis, mais elles ne résolvent pas le problème sous-jacent si les données elles-mêmes sont inexactes.

Un modèle plus performant ne peut pas systématiquement fournir de meilleurs résultats à partir d’informations commerciales obsolètes ou incomplètes.

Il s’agit là d’un changement de mentalité important pour les équipes de direction. Les performances de l’IA ne doivent pas être évaluées uniquement en fonction des capacités du modèle. Elles doivent également être évaluées en fonction de la qualité des informations qui alimentent ce modèle. Si le pipeline de données permet à des politiques obsolètes, à des informations manquantes sur les produits ou à des enregistrements incohérents d’atteindre l’environnement de production, toutes les applications d’IA en aval héritent de ces faiblesses.

Ce problème existait bien avant l’IA générative. Les équipes d’ingénierie des données ont toujours dû gérer des schémas en constante évolution, des enregistrements incomplets et des données incohérentes entre les différents systèmes d’entreprise. L’IA ne fait que rendre ces problèmes plus visibles, car les utilisateurs interagissent directement avec les résultats plutôt que de consulter des rapports ou des tableaux de bord.

Cela signifie que les priorités en matière d’investissement devraient également évoluer. Les organisations consacrent souvent des budgets importants à la sélection des modèles, aux plateformes d’IA et à l’ingénierie des prompts, tout en consacrant beaucoup moins de moyens à la validation, au suivi et à la gouvernance des données. À long terme, ce déséquilibre limite la valeur de chaque initiative en matière d’IA.

Les dirigeants doivent également prendre conscience que le fait de changer de fournisseur ne résout que rarement un problème de qualité des données. Un nouveau modèle, une architecture d’extraction différente ou une autre plateforme d’IA reposent toujours sur les mêmes données d’entreprise. Si ces données ne sont pas fiables, le simple fait de changer de technologie ne fait que déplacer le problème vers un autre niveau de la pile.

La meilleure approche consiste à commencer par une question simple : les informations introduites dans le système d’IA sont-elles exactes, complètes et à jour ? Si la réponse n’est pas certaine, le fait d’améliorer cette base aura généralement un impact plus important sur l’activité que le remplacement du modèle.

Cette approche favorise également une meilleure gouvernance. L’IA ne doit pas être gérée comme un projet technologique isolé. Elle doit être gérée au même titre que les données de l’entreprise, car la fiabilité de l’une dépend directement de celle de l’autre.

Les nouvelles plateformes d’IA d’entreprise améliorent la gestion du contexte, mais elles restent tributaires de données en amont de haute qualité

Le marché a pris conscience que l’IA a besoin d’un meilleur contexte. C’est pourquoi les grandes entreprises technologiques investissent dans des plateformes qui organisent plus efficacement les connaissances de l’entreprise et aident les systèmes d’IA à comprendre les informations commerciales avec une plus grande précision.

AWS a récemment lancé un graphe de connaissances conçu pour tirer des enseignements de l’utilisation des agents d’IA. Snowflake a quant à lui lancé Horizon Context et Cortex Sense afin d’améliorer la gestion du contexte métier pour les applications d’IA. Ces avancées répondent à un véritable défi et constituent des progrès significatifs.

Toutefois, cela ne dispense pas de disposer de données sources fiables.

Les graphes de connaissances, les couches sémantiques et les plateformes de gestion du contexte permettent d’organiser l’information plus efficacement, mais ils ne peuvent pas vérifier de manière indépendante l’exactitude des informations sous-jacentes. Si des politiques obsolètes, des tarifs inexacts ou des enregistrements incomplets sont intégrés à ces systèmes, ils viennent s’ajouter aux connaissances mises à la disposition des applications d’IA.

Cette distinction est importante, car de nombreuses organisations considèrent les plateformes contextuelles comme des solutions complètes pour garantir la fiabilité de l’IA. Dans la pratique, elles ne constituent qu’un élément d’un écosystème de données plus vaste. Leur efficacité repose sur une ingénierie des données rigoureuse, une validation continue et une gouvernance claire à l’échelle de l’ensemble des systèmes sources.

Pour les dirigeants, cela modifie la manière dont les investissements technologiques doivent être évalués. Les nouvelles capacités en matière d’IA ne doivent pas être évaluées uniquement en fonction de leurs fonctionnalités ou des performances de leurs modèles. Elles doivent également être évaluées en fonction de leur capacité à s’intégrer aux dispositifs existants de gouvernance des données, aux processus de validation et aux contrôles opérationnels.

Les organisations qui associent des plateformes modernes de gestion du contexte à des pratiques rigoureuses en matière de qualité des données mettront au point des systèmes d’IA qui resteront fiables même lorsque les informations métier évoluent. Celles qui n’investissent que dans la couche contextuelle pourront constater des améliorations dans un premier temps, mais verront néanmoins la précision de leurs systèmes diminuer si les données en amont sont laissées à elles-mêmes au fil du temps.

L’objectif stratégique consiste à garantir l’exactitude des informations tout au long de leur cycle de vie. Cela nécessite une prise en charge coordonnée entre les équipes métier, l’ingénierie des données et la direction technique, plutôt que de s’en remettre à un seul produit ou fournisseur.

L’observabilité des données devient une exigence fondamentale pour garantir la fiabilité de l’IA en production

La plupart des organisations vérifient déjà si leurs pipelines de données fonctionnent correctement. Elles sont toutefois bien moins nombreuses à s’assurer que les données elles-mêmes restent fiables. C’est là tout l’intérêt de l’observabilité des données.

L’observabilité des données vise à mesurer en continu l’état des données tout au long de leur cycle de vie. Plutôt que de se demander si un processus s’est déroulé avec succès, elle cherche à déterminer si les informations sont exactes, complètes, à jour et traçables. Il s’agit là de questions différentes, qui permettent d’obtenir une bien meilleure visibilité sur les risques opérationnels.

Pour les dirigeants, il ne s’agit pas seulement d’une compétence technique. C’est une discipline opérationnelle. Chaque décision stratégique repose sur des données, qu’il s’agisse de l’établissement des rapports financiers, de la gestion de la relation client, de l’apprentissage automatique ou de l’intelligence artificielle. Si les organisations ne sont pas en mesure de déterminer l’origine des données, leur évolution ou leur fiabilité, elles augmentent le risque de prendre de mauvaises décisions dans de nombreux domaines.

L’un des indicateurs les plus pertinents n’est pas le pourcentage de disponibilité du système, mais la portée de l’observabilité elle-même. Les dirigeants doivent déterminer quelle proportion des ensembles de données critiques peut réellement être tracée, surveillée et validée, plutôt que de se fier à des connaissances non documentées détenues par certains collaborateurs.

Plusieurs grandes entreprises du secteur des technologies ont déjà investi massivement dans cette technologie.

Uber a développé sa plateforme « Unified Data Quality » plusieurs années avant que la génération augmentée par la récupération ne se généralise. Cette plateforme prend en charge plus de 2 000 ensembles de données critiques et détecte environ 90 % des incidents liés à la qualité des données avant qu’ils n’atteignent les utilisateurs en aval. Cela démontre l’intérêt commercial qu’il y a à identifier les problèmes avant qu’ils n’affectent les clients, les analyses ou les systèmes d’IA.

Netflix a abordé une autre facette de ce même défi en mettant en place une plateforme de traçabilité des données à l’échelle de l’entreprise. Ce système permet aux collaborateurs de comprendre d’où proviennent les ensembles de données, comment ils ont circulé au sein de l’organisation et quels systèmes ou modèles d’apprentissage automatique en dépendent. À mesure que l’IA s’intègre à un nombre croissant de processus métier, cette visibilité devient de plus en plus précieuse, car elle réduit le temps nécessaire aux investigations et renforce la responsabilité.

Ces exemples montrent que l’observabilité des données n’est pas un investissement propre à l’IA. Elle renforce toutes les capacités axées sur les données au sein de l’entreprise. L’IA ne fait que renforcer l’urgence de cette démarche, car elle exploite les informations de l’entreprise à grande échelle et produit des résultats immédiats pour les collaborateurs et les clients.

Les dirigeants devraient considérer l’observabilité comme une capacité stratégique plutôt que comme une dépense opérationnelle. Les organisations qui maîtrisent l’état de leurs données peuvent réagir plus rapidement aux problèmes, améliorer leur conformité, renforcer leur gouvernance et accroître la confiance dans les décisions fondées sur l’IA.

Quatre critères mesurables permettent de déterminer si les données d’entreprise sont suffisamment fiables pour l’IA et les opérations commerciales

Une IA fiable repose sur des données fiables, et la fiabilité de ces données peut être évaluée selon quatre critères concrets : l’exactitude, l’actualité, la cohérence et la traçabilité.

La validité consiste à vérifier si les données correspondent à la structure attendue et aux règles métier. Cela implique notamment de valider les types de champs, d’identifier les valeurs nulles inattendues, de vérifier les plages de valeurs acceptables et de s’assurer que les informations obligatoires sont bien présentes avant que les données n’atteignent les systèmes de production. Des outils de validation automatisés tels que Great Expectations et Soda aident les organisations à effectuer ces contrôles en continu, plutôt que de se contenter de vérifications manuelles une fois que les problèmes sont apparus.

La fraîcheur permet de déterminer si les informations reflètent la situation actuelle de l’entreprise. Les exigences en matière de mise à jour varient selon les ensembles de données. Les transactions clients peuvent nécessiter des mises à jour toutes les quelques minutes, tandis que les documents relatifs aux polices d’assurance peuvent être modifiés moins fréquemment. Une gouvernance efficace consiste à définir des attentes en matière de niveau de service pour chaque ensemble de données, plutôt que d’appliquer une norme unique à l’ensemble de l’organisation.

La cohérence vise à garantir que les mêmes données soient conservées dans tous les systèmes qui les stockent ou les diffusent. Dans les grandes entreprises, les mêmes informations métier apparaissent souvent dans plusieurs bases de données, applications, systèmes de reporting et bases de connaissances d’IA. Si ces systèmes commencent à présenter des divergences, les utilisateurs perdent confiance et les décisions métier deviennent moins fiables. Une validation régulière entre les différents systèmes permet d’identifier ces divergences avant qu’elles ne se propagent.

La traçabilité permet d’assurer une traçabilité complète. Elle permet aux organisations de déterminer l’origine des informations, toutes les transformations qu’elles ont subies et tous les systèmes en aval qui en dépendent. En cas d’erreur, la traçabilité réduit considérablement le temps nécessaire à l’investigation, car les équipes peuvent identifier rapidement la source au lieu d’examiner plusieurs systèmes individuellement.

Ces quatre dimensions ne doivent pas être considérées comme des projets techniques indépendants. Ensemble, elles constituent un cadre pratique permettant de gérer la qualité des données d’entreprise. Une lacune dans l’un de ces domaines peut nuire à la fiabilité des résultats générés par l’IA, même si les trois autres sont bien gérés.

Pour les dirigeants, ce cadre permet également d’instaurer une responsabilité mesurable. Au lieu de se contenter de déclarations générales sur la qualité des données, les organisations peuvent définir des indicateurs clairs concernant les taux de réussite de la validation, l’actualité des données par rapport à des niveaux de service définis, la cohérence entre les systèmes et la couverture de la traçabilité pour les ensembles de données critiques. Ces indicateurs facilitent la gestion de la qualité des données et permettent de l’améliorer plus facilement au fil du temps.

À mesure que l’IA s’intègre de plus en plus profondément dans les interactions avec la clientèle, les opérations internes et la prise de décision stratégique, ces quatre dimensions deviennent autant des indicateurs commerciaux que techniques. Les organisations qui les mesurent et les améliorent de manière systématique mettront en place des systèmes d’IA qui resteront fiables à mesure que leur activité continuera d’évoluer.

La plupart des organisations peuvent améliorer considérablement la fiabilité de l’IA

De nombreuses entreprises partent du principe que l’amélioration de la précision de l’IA nécessite un investissement technologique considérable. En réalité, les gains les plus importants proviennent souvent de l’amélioration des processus déjà en place. La plupart des équipes d’ingénierie des données disposent de l’infrastructure nécessaire pour valider les données plus efficacement. Le défi consiste à appliquer des contrôles cohérents tout au long du cycle de vie des données.

Les données clients arrivaient sous différents formats et, dans certains cas, comportaient des erreurs qui n’étaient pas immédiatement perceptibles. Plutôt que de laisser ces données être transférées directement vers les systèmes en aval, l’équipe d’ingénieurs a mis en place des contrôles de validation à plusieurs étapes. L’objectif était simple : identifier les données erronées avant qu’elles n’affectent le reporting, les modèles d’apprentissage automatique ou les applications d’IA.

Plusieurs contrôles pratiques ont été mis en place. La validation des schémas a permis de s’assurer que les données entrantes correspondaient aux structures attendues. La validation des plages de valeurs a permis de vérifier que celles-ci restaient dans les limites opérationnelles acceptables. Des accords de niveau de service relatifs à l’actualité des données ont été définis pour chaque source de données, au lieu d’utiliser une norme unique pour l’ensemble des ensembles de données. Des contrôles de cohérence ont permis de comparer les informations entre les différents systèmes, tandis que la traçabilité au niveau des fichiers a permis de consigner l’origine des données et leur parcours tout au long du pipeline.

Le processus suivait également une approche « écriture-vérification-publication ». Les données étaient d’abord transférées vers un environnement de transit, où elles étaient validées au regard de règles de qualité prédéfinies. Ce n’est qu’après avoir satisfait à ces contrôles qu’elles étaient autorisées à être transférées vers les systèmes de production. Cela réduisait le risque que des informations erronées ou incomplètes parviennent aux utilisateurs métier ou aux applications d’IA.

Ces pratiques ont permis d’améliorer la précision tant au niveau des rapports que des modèles d’apprentissage automatique et des systèmes de recherche basés sur l’IA, tous reposant sur les mêmes données sous-jacentes. Bien qu’aucune amélioration chiffrée ne soit fournie, la leçon générale à en tirer est claire : l’amélioration des performances de l’IA passe souvent par une meilleure discipline opérationnelle en matière de données plutôt que par des modèles d’IA plus avancés.

Pour les dirigeants, cela a des implications importantes en matière d’investissement. Les organisations ne doivent pas partir du principe que chaque projet d’IA nécessite une nouvelle plateforme ou un nouveau fournisseur. Avant d’augmenter leurs budgets technologiques, les dirigeants doivent déterminer si les pipelines de données existants permettent déjà d’assurer la validation, la surveillance et la gouvernance, mais s’ils sont simplement sous-utilisés ou appliqués de manière incohérente.

Cette approche permet également de réduire le risque opérationnel. Chaque étape de validation empêche les erreurs de se propager dans plusieurs systèmes métier, où elles deviennent plus coûteuses à identifier et à corriger. La mise en place de ces contrôles dès les premières étapes du pipeline de données permet de créer une base plus solide pour toutes les applications qui s’appuient sur les données de l’entreprise.

Le diagnostic des problèmes liés à l’IA devrait commencer par l’examen de la qualité des données sous-jacentes

Lorsque l’IA fournit des réponses erronées, les organisations ont souvent tendance à se tourner rapidement vers des changements techniques. Elles comparent des modèles, remanient les consignes ou évaluent de nouvelles plateformes d’IA. Ces mesures peuvent sembler décisives, mais elles peuvent mobiliser beaucoup de temps et de ressources sans s’attaquer à la véritable source du problème.

Avant d’envisager des modifications de la pile d’IA, les dirigeants devraient examiner la qualité des données qui alimentent le système.

La première question est de savoir si les données sous-jacentes ont été validées au regard des normes exigées par l’entreprise. La validation doit permettre de s’assurer que les informations sont complètes, exactes et correctement structurées avant qu’elles ne soient mises à la disposition des systèmes d’IA.

La deuxième question porte sur l’actualité des informations. Les organisations doivent connaître l’ancienneté des contenus proposés aux utilisateurs, en particulier lorsque l’IA affiche un niveau de confiance élevé. Si les informations commerciales évoluent fréquemment, des contenus obsolètes peuvent rapidement devenir une source de recommandations erronées et d’insatisfaction des clients.

La troisième question porte sur la cohérence. Les différentes versions d’une même source ne doivent pas générer d’informations contradictoires au sein d’un même système d’IA. En cas d’incohérences entre les référentiels ou les index, les utilisateurs risquent de recevoir des réponses différentes selon la version consultée.

La question finale est de savoir si chaque réponse peut être retracée jusqu’à sa source d’origine. Une traçabilité solide permet aux équipes d’analyser rapidement les erreurs, d’identifier les ensembles de données concernés et de corriger les problèmes avant qu’ils ne se propagent davantage au sein de l’organisation.

Ces questions permettent de faire évoluer le dépannage de l’IA, en s’éloignant des hypothèses pour s’appuyer sur des preuves mesurables. Elles encouragent les organisations à vérifier la qualité des données avant d’investir dans des changements susceptibles d’avoir peu d’impact sur la fiabilité globale.

Pour les équipes de direction, cela permet de mettre en place un processus de gouvernance plus efficace. Les évaluations des performances de l’IA devraient inclure des indicateurs de qualité des données, en plus des indicateurs opérationnels traditionnels. Au lieu de se contenter de demander si le modèle a bien fonctionné, les dirigeants devraient également se demander si les informations métier sous-jacentes répondaient aux normes de qualité de l’organisation.

Cette approche permet une meilleure allocation des ressources. Si la base de données est insuffisante, le remplacement du modèle n’apportera que des améliorations limitées. En revanche, si la base de données est solide, les organisations peuvent évaluer les améliorations apportées au modèle avec davantage d’assurance, car elles savent que les informations sous-jacentes sont déjà fiables.

L’IA met en évidence des faiblesses de longue date dans le domaine de l’ingénierie des données

L’IA générative a transformé la manière dont les organisations interagissent avec les données d’entreprise, mais elle n’a pas créé une catégorie entièrement nouvelle de problèmes liés aux données. Elle a plutôt rendu les faiblesses existantes beaucoup plus visibles. Des problèmes tels que des enregistrements obsolètes, des ensembles de données incohérents, des champs manquants et une traçabilité insuffisante affectent depuis des années les systèmes de reporting, d’analyse et d’apprentissage automatique. L’IA ne fait que mettre ces problèmes en évidence beaucoup plus rapidement, car elle transforme directement les données sous-jacentes en réponses destinées aux collaborateurs et aux clients.

Cela modifie le niveau de risque pour l’entreprise. Une erreur de reporting pourrait passer inaperçue jusqu’au prochain cycle de révision. Un système d’IA peut diffuser la même information erronée à des milliers d’utilisateurs en très peu de temps si les données sous-jacentes sont incorrectes. La rapidité et l’ampleur de l’IA font de la qualité des données une préoccupation au niveau du conseil d’administration, plutôt qu’un problème limité aux équipes d’ingénierie.

Quatre principes déterminent en fin de compte si l’on peut se fier aux données d’une entreprise : l’exactitude, l’actualité, la cohérence et la traçabilité. Ces principes s’appliquent, que l’organisation développe des tableaux de bord, des modèles d’apprentissage automatique, des assistants IA destinés aux clients ou des outils de productivité internes. L’IA ne remplace pas ces principes fondamentaux. Elle renforce l’importance de les mettre en œuvre de manière cohérente.

Pour les dirigeants, cela implique d’adopter une vision plus large de la stratégie en matière d’IA. Le succès ne doit pas être évalué uniquement en fonction de la rapidité avec laquelle de nouvelles capacités d’IA sont déployées. Il doit également être mesuré à l’aune de la capacité de l’organisation à garantir la fiabilité des informations au fil du temps. Les entreprises qui considèrent l’IA comme une initiative technologique isolée rencontreront des difficultés si l’écosystème de données sous-jacent reste fragmenté ou mal géré.

Cela a également des implications sur la structure organisationnelle. Les équipes chargées de l’ingénierie des données, de la gouvernance, de la sécurité, de la conformité et de l’IA ne peuvent pas fonctionner de manière indépendante si l’on attend d’elles qu’elles prennent en charge une IA à l’échelle de l’entreprise. La responsabilité partagée de la qualité des données renforce la responsabilisation et réduit le risque que des problèmes critiques restent cachés entre les équipes fonctionnelles.

Les entreprises qui tireront le plus grand profit de l’IA à long terme seront probablement celles qui renforceront les fondements sur lesquels reposent tous les systèmes basés sur les données. Cela implique d’investir dans les processus de validation, d’améliorer l’observabilité, de maintenir une traçabilité claire et de veiller à ce que les informations métier restent à jour à mesure que les opérations évoluent. Ces investissements profitent à l’IA, mais ils améliorent également le reporting, l’analyse, la prise de décision opérationnelle et la conformité réglementaire.

Le problème lié au pipeline fintech a démontré que la réussite opérationnelle ne garantit pas l’exactitude des données. La mise en œuvre décrite chez Socure a montré que des pratiques de validation plus rigoureuses amélioraient simultanément le reporting en aval, les modèles d’apprentissage automatique et l’extraction par IA. La plateforme « Unified Data Quality » d’Uber a démontré comment une observabilité proactive permet de détecter environ 90 % des incidents liés à la qualité des données avant qu’ils n’atteignent les utilisateurs en aval, et ce sur plus de 2 000 ensembles de données critiques. L’investissement de Netflix dans la traçabilité des données à l’échelle de l’entreprise a mis en évidence l’importance croissante de comprendre comment l’information circule au sein d’écosystèmes de données complexes.

Le message stratégique est clair. L’IA devrait inciter les organisations à renforcer la qualité de leurs données d’entreprise plutôt que de se concentrer exclusivement sur l’amélioration des modèles d’IA. Les entreprises qui mettent en place des bases de données fiables seront mieux à même de déployer l’IA en toute confiance, de faciliter la prise de décisions commerciales plus rapides et de préserver la confiance de leurs clients à mesure que l’IA s’intègre dans leurs opérations quotidiennes.

Réflexions finales

Le débat autour de l’IA d’entreprise s’est largement concentré sur les modèles, les agents et les nouvelles plateformes. Ces innovations sont certes importantes, mais elles ne constituent qu’une partie de l’équation. Tout système d’IA est en fin de compte limité par la qualité des données qui lui sont fournies.

Pour les dirigeants d’entreprise, cela modifie la source même de l’avantage concurrentiel. Les organisations qui fournissent systématiquement une IA fiable ne seront pas nécessairement celles qui adopteront en premier chaque nouveau modèle. Ce seront celles qui considèrent la qualité des données comme une capacité stratégique, avec une responsabilité clairement définie, des normes mesurables et un suivi continu.

Cela nécessite d’adopter une vision plus large des investissements dans l’IA. De nouveaux modèles peuvent améliorer le raisonnement. Une meilleure recherche peut faciliter l’accès à l’information. Mais aucun de ces deux éléments ne peut compenser des données obsolètes, incohérentes ou dont la source est impossible à retracer. Sans une base de données solide, toute amélioration apportée à un niveau supérieur de la pile technologique génère des rendements décroissants.

C’est également une opportunité. Les investissements nécessaires pour améliorer l’exactitude, l’actualité, la cohérence, la traçabilité et l’observabilité vont bien au-delà de l’amélioration de l’IA. Ils renforcent le reporting, l’analyse, la conformité réglementaire, l’efficacité opérationnelle et la prise de décision au niveau de la direction dans l’ensemble de l’entreprise. Le retour sur investissement s’étend bien au-delà de toute initiative isolée en matière d’IA.

La prochaine étape de l’IA d’entreprise ne se résumera pas uniquement à des modèles plus volumineux ou à des agents plus performants. Elle sera marquée par la capacité des organisations à faire confiance aux informations que ces systèmes utilisent au quotidien.

C’est là que se crée une valeur durable. Non pas en demandant à l’IA de pallier la faiblesse des données, mais en mettant en place des systèmes de données qui permettent à l’IA d’exploiter pleinement son potentiel.